🔭 astrophysics

Untangling dust emission and CIB anisotropies with the Scattering Transform Statistics

यह शोध पत्र प्लैंक 353 GHz डेटा में गैलेक्टिक डस्ट एमिशन (Galactic dust emission) को कॉस्मिक इन्फ्रारेड बैकग्राउंड एनिसोट्रॉपीज़ (Cosmic Infrared Background anisotropies) से प्रभावी ढंग से अलग करने के लिए स्कैटरिंग कोवेरियेंस सांख्यिकी (Scattering Covariance statistics) का उपयोग करते हुए एक नवीन सांख्यिकीय घटक पृथक्करण विधि प्रस्तुत करता है, जो जटिल गैस चरणों वाले क्षेत्रों में पारंपरिक टेम्पलेट-फिटिंग दृष्टिकोणों की सीमाओं को पार करता है।

मूल लेखक: Srijita Sinha (National Institute of Science Education and Research, An OCC of Homi Bhabha National Institute, Bhubaneswar 752050, Odisha, India), Tuhin Ghosh (National Institute of Science Education

प्रकाशित 2026-03-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Srijita Sinha (National Institute of Science Education and Research, An OCC of Homi Bhabha National Institute, Bhubaneswar 752050, Odisha, India), Tuhin Ghosh (National Institute of Science Education and Research, An OCC of Homi Bhabha National Institute, Bhubaneswar 752050, Odisha, India), Erwan Allys (Laboratoire de Physique de l'École normale supérieure, ENS, Université PSL, CNRS, Sorbonne Université, Université Paris Cité, F-75005 Paris, France and), François Boulanger (Laboratoire de Physique de l'École normale supérieure, ENS, Université PSL, CNRS, Sorbonne Université, Université Paris Cité, F-75005 Paris, France and), Jean-Marc Delouis (Laboratoire d'Océanographie Physique et Spatiale)

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक कॉन्सर्ट हॉल में एक विशिष्ट वायलिन सोलो (गैलेक्टिक डस्ट/Galactic dust) सुनने की कोशिश कर रहे हैं, लेकिन पृष्ठभूमि में लोगों की एक विशाल, अराजक भीड़ (कॉस्मिक इन्फ्रारेड बैकग्राउंड/CIB) शोर मचा रही है और एक एयर कंडीशनर की भिनभिनाहट (इंस्ट्रुमेंटल नॉइज़/noise) सुनाई दे रही है। वायलिन और भीड़ दोनों एक ही फ्रीक्वेंसी रेंज में ध्वनि उत्पन्न करते हैं, जिससे केवल वॉल्यूम (आवाज़ के स्तर) के आधार पर उन्हें अलग पहचानना अविश्वसनीय रूप से कठिन हो जाता है।

यह शोध पत्र इस बारे में है कि कैसे खगोलशास्त्रियों की एक टीम ने स्कैटरिंग ट्रांसफॉर्म (Scattering Transform) नामक एक गणितीय उपकरण का उपयोग करके, भीड़ से वायलिन को अलग करने के लिए एक नया, चतुर "ऑडियो फ़िल्टर" विकसित किया।

यहाँ उनकी यात्रा का विवरण दिया गया है, जिसे सरल उपमाओं (analogies) का उपयोग करके समझाया गया है:

1. समस्या: एक अस्त-व्यस्त आकाश

ब्रह्मांड इन्फ्रारेड स्पेक्ट्रम में दो मुख्य प्रकार की "चमक" से भरा हुआ है:

वायलिन (गैलेक्टिक डस्ट): हमारी अपनी आकाशगंगा मिल्की वे में मौजूद धूल। यह उपयोगी है क्योंकि यह हमारे पड़ोस की गैस और सितारों के बारे में बताती है।
भीड़ (CIB): पूरे ब्रह्मांड के इतिहास में फैली अरबों दूरस्थ आकाशगंगाओं से आने वाला प्रकाश। यह एक मंद, विसरित चमक है जो अपने आप में धूल के समान दिखती है।

वर्षों से, खगोलशास्त्री उन्हें अलग करने के लिए इस धारणा का उपयोग करते रहे हैं कि धूल हमेशा हाइड्रोजन गैस का अनुसरण करती है (जैसे एक छाया हमेशा व्यक्ति के पीछे चलती है)। लेकिन यह "छाया नियम" उन क्षेत्रों में विफल हो जाता है जहाँ "अदृश्य" गैस या जटिल संरचनाएं होती हैं। पुराना तरीका भीड़ की हलचल को देखकर वायलिन की धुन को पहचानने की कोशिश करने जैसा था—यह कभी-कभी काम करता था, लेकिन अक्सर विफल हो जाता था।

2. नया उपकरण: "स्कैटरिंग ट्रांसफॉर्म"

लेखकों ने स्कैटरिंग ट्रांसफॉर्म नामक एक सांख्यिकीय तकनीक का उपयोग किया। इसे एक साधारण फ़िल्टर के बजाय, एक सुपर-स्मार्ट पैटर्न रिकग्निशन (पैटर्न पहचानने वाला) उपकरण के रूप में समझें।

यह कैसे काम करता है: कल्पना कीजिए कि आपके पास रेत का एक ढेर है। यदि आप केवल कुल वजन देखते हैं, तो आप यह नहीं बता सकते कि यह एक चिकला समुद्र तट है या नुकीले पत्थरों का ढेर। लेकिन यदि आप देखते हैं कि रेत के कण आपस में कैसे गुच्छे बनाते हैं, वे लहरें कैसे बनाते हैं, और विभिन्न आकारों (छोटे कणों से लेकर बड़े टीलों तक) पर वे कैसे परस्पर क्रिया करते हैं, तो आप रेत की बनावट (texture) को पूरी तरह से वर्णित कर सकते हैं।
उपयोग: "धूल" की एक विशिष्ट बनावट होती है (यह तंतुओं और बादलों के रूप में बनती है)। "भीड़" (CB) की बनावट अधिक यादृच्छिक (random) होती है। स्कैटरिंग ट्रांसफॉर्म इन बनावटों को गणितीय रूप से मापता है, भले ही दोनों संकेत चमक में समान दिखते हों।

3. प्रक्रिया: "भीड़" की आवाज़ को सीखना

वास्तविक डेटा को साफ करने से पहले, उन्हें कंप्यूटर को यह सिखाना था कि "भीड़" (CIB) की आवाज़ कैसी होती है।

एक शांत स्थान खोजना: उन्होंने आकाश के 25 ऐसे पैच खोजे जहाँ "वायलिन" (धूल) बहुत शांत थी, ताकि वे मुख्य रूप से "भीड़" को सुन सकें।
एक मॉडल बनाना: उन्होंने इस "भीड़" के शोर की बनावट का अध्ययन करने के लिए स्कैटरिंग ट्रांसफॉर्म का उपयोग किया।
नकली शोर उत्पन्न करना: इस अध्ययन का उपयोग करके, उन्होंने भीड़ के शोर के 300 "नकली" मानचित्र बनाए। ये नकली मानचित्र सांख्यिकीय रूप से वास्तविक शोर के समान थे, लेकिन इनमें कोई वास्तविक वायलिन संगीत नहीं था।

4. पृथक्करण: "घटाव" का खेल

अब, उन्होंने इसे वास्तविक डेटा पर लागू किया। उन्होंने एक एल्गोरिदम का उपयोग किया जो एक ऐसा "वायलिन मैप" खोजने की कोशिश करता था, जिसे उनके "नकली भीड़" के मानचित्रों में जोड़ने पर मूल अस्त-व्यस्त डेटा पूरी तरह से पुन: निर्मित हो सके।

प्रतिबंध (Constraint): एल्गोरिदम को बताया गया: "जो वायलिन आप ढूंढेंगे, वह उसी वायलिन जैसा होना चाहिए जिसकी हम अपेक्षा करते हैं (हाइड्रोजन गैस के आधार पर), और बचा हुआ शोर बिल्कुल वैसा ही होना चाहिए जैसा कि हमने आपके द्वारा जनरेट किए गए नकली भीड़ के मानचित्रों में देखा था।"
परिणाम: एल्गोरिदम ने सफलतापूर्वक "भीड़" और "भिनभिनाते एसी" को हटा दिया, जिससे गैलेक्टिक डस्ट का एक साफ मानचित्र पीछे रह गया।

5. बड़ी खोज: धूल के दो प्रकार

एक बार जब उनके पास साफ डस्ट मैप आ गया, तो उन्होंने बारीकी से देखा और पाया कि यह वास्तव में एक बड़ी खोज थी। धूल केवल एक समान चीज़ नहीं थी; यह वास्तव में दो अलग-अलग प्रकार की चीजों का मिश्रण थी:

"डिफ्यूज़" (विसरित) धूल: यह धूल दृश्य हाइड्रोजन गैस से मजबूती से जुड़ी हुई है (जैसे एक छाया)। यह फैली हुई और चिकनी है।
"क्लंपी" (गुच्छेदार) धूल: यह आणविक हाइड्रोजन (H2) से जुड़ी है, जो तारों के निर्माण के लिए जिम्मेदार है। यह धूल "गुच्छेदार", "विरल" है, और घने गांठों के रूप में बनती है जिन्हें पुराने तरीकों ने मिस कर दिया था।

यह क्यों मायने रखता है?
पुराने मानचित्र (जैसे प्रसिद्ध SFD मैप) एक कम-रिज़ॉल्यूशन वाली फोटो की तरह थे जहाँ आप केवल बड़े, चिकने बादलों को देख सकते थे। नया तरीका एक हाई-डेफिनिशन फोटो की तरह है जो उन छोटी, घनी गांठों को प्रकट करता है जहाँ वास्तव में तारे जन्म ले रहे हैं।

6. "दो प्रकार की धूल" की उपमा

लेखकों ने महसूस किया कि "क्लंपी" धूल, "डिफ्यूज़" धूल की तुलना में अलग व्यवहार करती है।

कल्पना कीजिए कि डिफ्यूज़ धूल कोहरे की तरह है: यह हर जगह है, पतली है, और हवा (हाइड्रोजन गैस) के साथ चलती है।
कल्पना कीजिए कि क्लंलिटी डस्ट बर्फ के गोलों (snowballs) की तरह है: वे घने, भारी हैं, और विशिष्ट स्थानों में बनते हैं (आणविक गैस)।

पुराने तरीकों ने पूरे आकाश को केवल "कोहरे" के रूप में माना। इस नए तरीके ने महसूस किया कि कोहरे के भीतर "बर्फ के गोले" छिपे हुए हैं, और इसने सफलतापूर्वक उन्हें अलग कर दिया।

सारांश

यह शोध पत्र पैटर्न रिकग्निशन (पैटर्न पहचान) की एक विजय है। ब्रह्मांडीय शोर की अनूठी "बनावट" को पहचानने के लिए कंप्यूटर को सिखाकर, लेखकों ने ब्रह्मांड की उस परत को हटाने में सफलता प्राप्त की जो पहले छिपी हुई थी। उन्होंने केवल डेटा को साफ नहीं किया; उन्होंने खोजा कि हमारी आकाशगंगा की धूल पहले की तुलना में अधिक जटिल और संरचित है, जिससे आणविक गैस के उन छिपे हुए "बर्फ के गोलों" को उजागर किया गया जहाँ नए तारे जन्म लेते हैं।

यह मिल्की वे की धूल का एक सटीक मानचित्र बनाने का मार्ग प्रशत करता है, जो दूरस्थ ब्रह्मांड के शोर से मुक्त है, जिससे खगोलशास्त्री अभूतपूर्व स्पष्टता के साथ हमारे ब्रह्मांडीय पड़ोस का अध्ययन कर सकेंगे।

यहाँ सिन्हा एवं अन्य द्वारा लिखित शोध पत्र "Untangling dust emission and CIB anisotropies with the Scattering Transform Statistics" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

मिलीमीटर/सबमिलीमीटर अवलोकनों (विशेष रूप से प्लैंक 353 GHz डेटा) में गैलेक्टिक थर्मल डस्ट एमिशन (Galactic thermal dust emission) को CIB अनिसोट्रोपीज़ (CIB anisotropies) से अलग करना ब्रह्मांड विज्ञान (cosmology) और अंतरतारकीय माध्यम (ISM) के अध्ययन के लिए एक महत्वपूर्ण चुनौती है।

वर्तमान विधियों की सीमाएँ: मानक "टेम्प्लेट-फिट" (template-fit) दृष्टिकोण यह मानता है कि कम कॉलम घनत्व पर डस्ट एमिशन और न्यूट्रल हाइड्रोजन (H I) कॉलम घनत्व ( $N_{\text{H I}}$ ) के बीच एक गहरा रैखिक संबंध होता है। हालाँकि, यह विधि उन क्षेत्रों में विफल रहती है जहाँ धूल आणविक हाइड्रोजन ( $H_2$ ), विसरित आयनित गैस (diffuse ionized gas), या "डार्क गैस" (dark gas) से जुड़ी होती है जो H I के साथ सह-संबंधित नहीं होती है। इसके अतिरिक्त, अज्ञात स्काई बैकग्राउंड ज़ीरो-लेवल्स और उच्च गैलेक्टिक अक्षांशों पर डस्ट एमिशनिटी (dust emissivity) में भिन्नता भी इस पृथक्करण को जटिल बनाती है।
स्पेक्ट्रल डिजेनरेसी (Spectral Degeneracy): डस्ट एमिशन और CIB दोनों के स्पेक्ट्रल एनर्जी डिस्ट्रीब्यूशन (modified black-body laws) समान होते हैं, जिससे केवल स्पेक्ट्रल जानकारी के आधार पर उन्हें अलग करना कठिन हो जाता है।
लक्ष्य: लेखक एक सांख्यिकीय घटक पृथक्करण (statistical component separation) विधि विकसित करने का लक्ष्य रखते हैं जो सख्त स्पेक्ट्रल धारणाओं पर निर्भर रहने के बजाय, संकेतों के उच्च-क्रम सांख्यिकीय गुणों (higher-order statistical properties) का उपयोग करके डस्ट एमिशन को CIB संदूषण (contamination) और इंस्ट्रुमेंटल नॉइज़ से अलग कर सके।

2. कार्यप्रणाली (Methodology)

लेखक स्कैटरिंग कोवेरिएंस (Scattering Covariance - SC) सांख्यिकी का उपयोग करके एक नवीन दृष्टिकोण प्रस्तावित करते हैं, जो स्कैटरिंग ट्रांसफॉर्म (ST) सांख्यिकी का एक उप-वर्ग है। ये लो-वेरिएंस समरी स्टैटिस्टिक्स हैं जो नॉन-गौसियन प्रक्रियाओं (non-Gaussian processes) को चित्रित करने में सक्षम हैं।

A. डेटा तैयारी (Data Preparation)

इनपुट डेटा: प्लैंक 353 GHz इंटेंसिटी मैप्स (CMB-सबट्रैक्टेड), जिन्हें H I मैप्स के साथ मेल खाने के लिए $16.2'$ रेजोल्यूशन तक स्मूथ किया गया है।
ट्रेसर्स (Tracers): HI4PI H I मैप्स (लो और इंटरमीडिएट वेलोसिटी कंपोनेंट्स) और करेक्टेड श्लेगल-फिंकबीनर-डेविस (CSFD) रेडनिंग मैप।
संदूषण मॉडल निर्माण (Contamination Model Construction):
1. टेम्प्लेट-फिट रेसिडुअल्स: कम $N_{\text{H I}}$ वाले क्षेत्रों ( $< 4 \times 10^{20} \text{ cm}^{-2}$ ) में, H I-सह-संबंधित डस्ट को घटाने के लिए एक टेम्प्लेट-फिट दृष्टिकोण (Adak et al. 2024) का उपयोग किया जाता है। परिणामी रेसिडुअल मैप्स ( $r_B$ ) मुख्य रूप से CIB और नॉइज़ से प्रभावित होते हैं।
2. पैच चयन: 25 वर्गाकार पैच ( $222 \text{ deg}^2$ प्रत्येक) उच्च गैलेक्टिक अक्षांशों से चुने गए हैं जहाँ रेसिडुअल्स स्वच्छ हैं।
3. जेनरेटिव मॉडलिंग: इन 25 पैच के SC सांख्यिकी का उपयोग करके, लेखक एक मैक्सिमम एंट्रॉपी जेनरेटिव मॉडल का निर्माण करते हैं। यह मॉडल 300 सिंथेटिक संदूषण मैप्स ( $r_{\text{syn}}$ ) बनाता है जो वास्तविक डेटा के CIB और नॉइज़ गुणों की सांख्यिकीय नकल करते हैं।

B. घटक पृथक्करण एल्गोरिदम (The Component Separation Algorithm)

पृथक्करण एक पिक्सेल-आधारित ऑप्टिमाइज़ेशन (ग्रेडिएंट डिसेंट) के माध्यम से किया जाता है जो छह बाधाओं (constraints) से बने संयुक्त लॉस फंक्शन को कम करता है। एल्गोरिदम एक डस्ट मैप ( $\tilde{s}$ ) को रिकवर करता है ताकि:

डेटा कंसिस्टेंसी: रिकवर्ड डस्ट और एक सिंथेटिक संदूषण मैप का योग, SC सांख्यिकी के संदर्भ में इनपुट डेटा ( $m$ ) से सांख्यिकीय रूप से मेल खाता है।
क्रॉस-कोरिलेशन कंजर्वेशन: डेटा और रिकवर्ड डस्ट के बीच क्रॉस-सांख्यिकी अपेक्षित सहसंबंधों से मेल खाती है।
रेसिडुअल प्योरिटी: रेसिडुअल मैप ( $m - \tilde{s}$ ) को सिंथेटिक संदूषण मैप्स ( $r_{\text{syn}}$ ) के सांख्यिकीय रूप से मेल खाना चाहिए, जिससे यह सुनिश्चित हो सके कि डस्ट का कोई रिसाव (leakage) रेसिड्यूल में न हो।
H I कोरिलेशन: रिकवर्ड डस्ट मैप में मूल डेटा में मौजूद $N_{\text H I}$ मैप के साथ विशिष्ट क्रॉस-सांख्यिकीय सहसंबंध बना रहना चाहिए।
रेसिडुअल इंडिपेंडेंस: रेसिडुअल मैप $N_{\text H I}$ मैप के साथ असंबद्ध (uncorrelated) होना चाहिए।
ऑर्थोगोनैलिटी (Orthogonality): रिकवर्ड डस्ट और रेसिडुअल मैप्स एक-दूसरे के साथ असंबद्ध होने चाहिए।

3. प्रमुख योगदान (Key Contributions)

SC-आधारित पृथक्करण: यह प्लैंक डेटा में गैलेक्टिक डस्ट को CIB अनिसोट्रोपीज़ से अलग करने के लिए स्कैटरिंग कोवेरिएंस सांख्यिकी के पहले अनुप्रयोगों में से एक है, जो पावर-स्पेक्ट्रम-आधारित या विशुद्ध रूप से स्पेक्ट्रल विधियों से आगे बढ़ता है।
जेनरेटिव संदूषण मॉडलिंग: SC सांख्यिकी के आधार पर CIB/नॉइज़ के लिए एक जेनरेटिव मॉडल का निर्माण, CIB के किसी विशिष्ट भौतिक मॉडल की धारणा किए बिना एक मजबूत सांख्यिकीय परिभाषा प्रदान करता है।
डस्ट फेजेस का विखंडन (Decomposition of Dust Phases): यह विधि $H_2$ के वितरण के पूर्व ज्ञान के बिना, आणविक गैस ( $H_2$ ) से जुड़ी धूल को परमाणु गैस (H I) से जुड़ी धूल से सफलतापूर्वक अलग करती है।
वैलिडेशन फ्रेमवर्क: लेखक विविध सिग्नल-टू-नॉइज़ रेश्यो (SNR) वाले सिम्युलेटेड मैप्स का उपयोग करके एक कठोर वैलिडेशन प्रदान करते हैं, जो SNR $\approx 3$ तक एल्गोरिदम की प्रभावकारिता को प्रदर्शित करता है।

4. मुख्य परिणाम (Key Results)

एल्गोरिदम वैलिडेशन:
- SNR $\ge 3$ वाले सिम्युलेटेड डेटा पर, एल्गोरिदम इनपुट डस्ट के साथ पिक्सेल-टू-पिक्सेल कोरिलेशन $\rho \approx 0.97$ के साथ डस्ट सिग्नल को सफलतापूर्वक रिकवर करता है।
- रिकवर्ड रेसिडुअल मैप्स $N_{\text H I}$ के साथ सांख्यिकीय रूप से असंबद्ध हैं, जो न्यूनतम डस्ट लीकेज की पुष्टि करते हैं।
- रिकवर्ड डस्ट के SC सांख्यिकी ( $S_1, S_2, \bar{S}_3, \bar{S}_4$ ) विभिन्न स्केल्स और ओरिएंटेशन में इनपुट डस्ट से मेल खाते हैं।
प्लैंक डेटा पर अनुप्रयोग:
- इसे $(l, b) = (247.5^\circ, 66.4^\circ)$ (SNR $\approx 8.4$ ) पर एक टेस्ट पैच पर लागू किया गया।
- रिकवर्ड डस्ट मैप ( $\tilde{s}$ ) CSFD मैप की तुलना में काफी अधिक छोटे-पैमाने की संरचना (small-scale structure) प्रदर्शित करता है।
- पावर स्पेक्ट्रम विश्लेषण: रिकवर्ड डस्ट का पावर स्पेक्ट्रम स्लोप ( $\alpha_{\tilde{s}} \approx -2.50$ ), H I मैप ( $\alpha_{\text{H I}} \approx -2.92$ ) की तुलना में अधिक फ्लैट है। $\Delta \alpha \approx 0.4$ का अंतर H I के साथ सह-संबंधित नहीं होने वाले महत्वपूर्ण डस्ट घटक (अर्थात $H_2$ -एसोसिएटेड डस्ट) की उपस्थिति को दर्शाता है।
डस्ट फेज डिकम्पोजिशन:
- रिकवर्ड डस्ट को $\tilde{s}_{\text{H I}}$ (डिफ्यूज) और $\tilde{s}_{\text{H}_2}$ (क्लंपी) में विभाजित किया गया।
- SC सांख्यिकी ने खुलासा किया कि $H_2$ -एसोसिएटेड डस्ट, $H$ I-एसोसिएटेड डस्ट की तुलना में काफी कम विरल (sparse) और कम फिलामेंटरी है।
- इन दो घटकों के साथ CSFD मैप को फिट करके, लेखकों ने निष्कर्ष निकाला कि $H_2$ -कोरिलेटेड डस्ट का तापमान कम ( $T \approx 18.5$ K) और स्पेक्ट्रल इंडेक्स ( $\beta \approx 0.81$ ) अलग है, जबकि $H$ I-कोरिलेटेड डस्ट ( $T \approx 20$ K, $\beta \approx 1.65$ ) के पैरामीटर्स भिन्न हैं।

5. महत्व (Significance)

इंटरस्टेलर रेडनिंग मैपिंग: यह कार्य CIB संदूषण से मुक्त, उच्च और मध्य गैलेक्टिक अक्षांशों पर स्वच्छ गैलेक्टिक डस्ट रेडनिंग मैप बनाने का एक स्पष्ट मार्ग प्रदान करता है, जो एक्सट्रा-गैलेक्टिक अवलोकनों के सुधार के लिए आवश्यक है।
डार्क गैस की जांच: CO उत्सर्जन (जो ऑप्टिकली थिक या अनुपस्थित हो सकता है) पर निर्भर रहने के बजाय $H_2$ -कोरिलेटेड डस्ट घटक को अलग करके, यह विधि ISM के "डार्क गैस" घटक का अध्ययन करने के लिए एक नया उपकरण प्रदान करती है।
CMB फोरग्राउंड रिमूवल: यह तकनीक विशेष रूप से डेलेंसिंग B-मोड्स (delensing B-modes) के लिए कॉस्मिक माइक्रोवेव बैकग्राउंड (CMB) से फोरग्राउंड्स को अलग करने में सुधार करती है, क्योंकि यह उन डस्ट टेम्पलेट्स को ध्यान में रखती है जो H I से सह-संबंधित नहीं हैं।
मेथोडोलॉजिकल एडवांसमेंट: यह खगोलीय घटक पृथक्करण (astrophysical component separation) में स्कैटरिंग ट्रांसफॉर्म सांख्यिकी की शक्ति को प्रदर्शित करता है, जो पारंपरिक टेम्प्लेट-फिटिंग का एक मॉडल-स्वतंत्र विकल्प है और जो खगोलीय संकेतों की नॉन-गौसियन प्रकृति का लाभ उठाता है।